Линейная регрессия

СОДЕРЖАНИЕ: Расчет параметров уравнения линейной регрессии, экономическая интерпретация регрессии. Определение остаточной суммы квадратов. Выполнение предпосылок МНК. Расчет коэффициента детерминации, проверка значимости уравнения регрессии с помощью критерия Фишера.

Министерство образования и науки Российской Федерации

Федеральное агентство по образованию

Государственное образовательное учреждение высшего профессионального образования

Всероссийский Заочный Финансово-Экономический институт

Филиал г. Тула

Контрольная работа

по дисциплине Эконометрика

Вариант 8

Выполнила:

Проверил:

Тула

2008

Задача 1

По предприятиям легкой промышленности региона получена информация, характеризующая зависимость объема выпуска продукции (, млн. руб.) от объема капиталовложений (, млн. руб.).

Требуется:

1. Найти параметры уравнения линейной регрессии, дать экономическую интерпретацию коэффициента регрессии.

2. Вычислить остатки; найти остаточную сумму квадратов; оценить дисперсию остатков ; построить график остатков.

3. Проверить выполнение предпосылок МНК.

4. Осуществить проверку значимости параметров уравнения регрессии с помощью t-критерия Стьюдента

5. Вычислить коэффициент детерминации, проверить значимость уравнения регрессии с помощью -критерия Фишера , найти среднюю относительную ошибку аппроксимации. Сделать вывод о качестве модели.

6. Осуществить прогнозирование среднего значения показателя при уровне значимости , если прогнозное значения фактора Х составит 80% от его максимального значения.

7. Представить графически: фактические и модельные значения точки прогноза.

8. Составить уравнения нелинейной регрессии:

· гиперболической;

· степенной;

· показательной.

Привести графики построенных уравнений регрессии.

9. Для указанных моделей найти коэффициенты детерминации и средние относительные ошибки аппроксимации. Сравнить модели по этим характеристикам и сделать вывод.

Вариант 8

	17	22	10	7	12	21	14	7	20	3
	26	27	22	19	21	26	20	15	30	13

Решение:

1. Уравнение линейной регрессии имеет следующий вид:

Таблица 1

№наблюдения	X	Y	X2	XY
1	17	26	289	442
2	22	27	484	594
3	10	22	100	220
4	7	19	49	133
5	12	21	144	252
6	21	26	441	546
7	14	20	196	280
8	7	15	49	105
9	20	30	400	600
10	3	13	9	39
Сумма	133	219	2161	3211
Ср. значение	13,3	21,9	216,1	321,1

Найдем b:

Тогда

Уравнение линейной регрессии имеет вид: _x =11,779+0,761x.

Коэффициент регрессии показывает среднее изменение результата с изменением фактора на одну единицу.

С увеличением объема капиталовложений на 1 млн. рублей объем выпускаемой продукции увеличится в среднем на 761 тыс. рублей.

2. Вычислим остатки при помощи. Получим:

Таблица 2

ВЫВОД ОСТАТКА
Наблюдение		Остатки
1	24,72	1,284	1,649
2	28,52	-1,521	2,313
3	19,39	2,611	6,817
4	17,11	1,894	3,587
5	20,91	0,089	0,008
6	27,76	-1,76	3,098
7	22,43	-2,433	5,919
8	17,11	-2,106	4,435
9	27	3,001	9,006
10	14,06	-1,062	1,128
Сумма	219	-0,003	37,961

Найдем остаточную сумму квадратов:

Дисперсия остатков равна:

.

График остатков имеет следующий вид:

График 1

3. Проверим выполнение предпосылок МНК.

· Случайный характер остатков.

Случайный характер остатков _i проверяется по графику. Как видно из графика 1 в расположении точек _i нет направленности (на графике получена горизонтальная полоса). Следовательно, _i – случайные величины и применение МНК оправдано.

· Средняя величина остатков или математическое ожидание равно нулю.

Так как расположение остатков на графике не имеет направленности (расположены на графике в виде горизонтальной полосы), то они независимы от значений фактора x_i . Следовательно, модель адекватна.

· Проверка гомоскедастичности остатков.

Выборка у нас малого объема, поэтому для оценки гомоскедастичность остатков используем метод Голдфельда - Квандта.

1) Упорядочим n = 10 наблюдений в порядке возрастания х.

2) Разделим на две группы - с большим и меньшим x, и для каждой группы определим уравнения регрессии.

Таблица 3

	х	y	x·y	x2		i =yi -i	2
1	3	13	39	9	13,181	-0,181	0,033
2	7	19	133	49	17,197	1,803	3,251
3	7	15	105	49	17,197	-2,197	4,827
4	10	22	220	100	20,209	1,791	3,208
5	12	21	252	144	22,217	-1,217	1,481
Сумма	39	90	749	351			12,799
Ср.знач	7,8	18	149,8	70,2
	х	y	x·y	x2		i =yi -i	2
1	14	20	280	196	21,672	-1,672	2,796
2	17	26	442	289	24,252	1,748	3,056
3	20	30	600	400	26,832	3,168	10,036
4	21	26	546	441	27,692	-1,692	2,863
5	22	27	594	484	28,552	-1,552	2,409
Сумма	94	129	2462	1810			21,159
Ср.знач	18,8	25,8	492,4	362

3) Рассчитаем остаточные суммы квадратов для каждой регрессии.

,

.

4) Вычислим F- распределения.

F_набл =S₂ /S₁ =1,653.

5) Произведем сравнение F_набл и F_табл .

1,6535,32 (при k₁ =1 и k₂ =n–2=10–2=8), следовательно, гетероскедастичность места не имеет, т.е. дисперсия остатков гомоскедастична.

· Отсутствие автокорреляции.

Отсутствие автокорреляции проверяется по d-критерию Дарбина - Уотсона:

Таблица 4

	i	i-1	i - i-1	( i - i-1 )2
1	1,284
2	-1,521	1,284	-2,805	7,868
3	2,611	-1,521	4,132	17,073
4	1,894	2,611	-0,717	0,5141
5	0,089	1,894	-1,805	3,258
6	-1,760	0,089	-1,849	3,4188
7	-2,433	-1,760	-0,673	0,4529
8	-2,106	-2,433	0,327	0,1069
9	3,001	-2,106	5,107	26,081
10	-1,062	3,001	-4,063	16,508
Сумма				75,282

; d=75,282/37,961=1,983.

Так как d-критерий меньше двух, то мы наблюдаем присутствие положительной автокорреляции.

· Остатки подчиняются нормальному закону распределения.

4. Осуществить проверку значимости параметров уравнения регрессии с помощью t-критерия Стьюдента

; ,

; ,

где

Тогда , ; и

t_табл =2,3060 (при 10-2=8 степенях свободы); t_а и t_b t_табл , что говорит о значимости параметров модели.

5. Коэффициент детерминации находится по формуле:

.

Данные возьмем из таблицы 5:

Таблица 5

№	x	y
1	17	26	3,7	4,1	13,69	16,81	1,284	4,938
2	22	27	8,7	5,1	75,69	26,01	-1,521	5,633
3	10	22	-3,3	0,1	10,89	0,01	2,611	11,868
4	7	19	-6,3	-2,9	39,69	8,41	1,894	9,968
5	12	21	-1,3	-0,9	1,69	0,81	0,089	0,424
6	21	26	7,7	4,1	59,29	16,81	-1,760	6,769
7	14	20	0,7	-1,9	0,49	3,61	-2,433	12,165
8	7	15	-6,3	-6,9	39,69	47,61	-2,106	14,040
9	20	30	6,7	8,1	44,89	65,61	3,001	10,003
10	3	13	-10,3	-8,9	106,09	79,21	-1,062	8,169
Сумма	133	219			392,1	264,9		83,979
Ср. знач.	13,3	21,9

Для проверки значимости модели используем F-критерий Фишера:

.

F_табл =5,32 (k₁ =1, k₂ =8 степенями свободы) ;

FF_табл , что говорит о значимости уравнения регрессии.

Среднюю относительную ошибку аппроксимации находим по формуле:

;

В среднем расчетные значения отклоняются от фактических на 8,4%.

Поскольку найденная средняя относительная ошибка аппроксимации находится в интервале от 5 до 10, то можно утверждать, что модель имеет хорошее качество.

6. Ширина доверительного интервала находится по формулам:

где t =1,86 при m=n-2=8 и =0,1

Т.о.

Верхн. граница: 25,173+4,34=29,513

Нижн. граница: 25,173-4,34=20,833

Таблица 6

Нижняя граница	Прогноз	Верхняя граница
20,83	25,17	29,51

7. Фактические и модельные значения Y, точки прогноза представлены на графике 2.

График 2

8. Составить уравнения нелинейной регрессии:

· Гиперболической

Уравнение показательной кривой имеет вид: = a + b/x.

Произведем линеаризацию модели путем замены Х = 1/х.

Тогда уравнение примет вид: = a + bХ- линейное уравнение регрессии.

Данные, необходимые для нахождения параметров приведены в таблице 6

Таблица 7

№	y	x	X	X2	Xy		i	i 2
1	26	17	0,0588	0,0035	1,5294	24,41	1,59	2,52	6,11
2	27	22	0,0455	0,0021	1,2273	25,10	1,90	3,61	7,04
3	22	10	0,1000	0,0100	2,2000	22,29	-0,29	0,09	1,33
4	19	7	0,1429	0,0204	2,7143	20,09	-1,09	1,18	5,72
5	21	12	0,0833	0,0069	1,7500	23,15	-2,15	4,63	10,24
6	26	21	0,0476	0,0023	1,2381	24,99	1,01	1,02	3,89
7	20	14	0,0714	0,0051	1,4286	23,76	-3,76	14,16	18,82
8	15	7	0,1429	0,0204	2,1429	20,09	-5,09	25,88	33,91
9	30	20	0,0500	0,0025	1,5000	24,87	5,13	26,35	17,11
10	13	3	0,3333	0,1111	4,3333	10,28	2,72	7,38	20,90
Сумма	219	133	1,0757	0,1843	20,0638			86,82	125,07
Ср.знач.	21,9	13,3	0,1076	0,0184	2,0064

Значение параметров а и b линейной модели определим по формулам:

Уравнение регрессии будет иметь вид = 27,44 – 51,47 X.

Перейдем к исходным переменным, получим уравнение гиперболической модели:

.

График 3

Степенная

Уравнение степенной модели имеет вид: = a · x^b

Для построения этой модели необходимо произвести линеаризацию переменных. Для этого произведем логарифмирование обеих частей уравнения:

lg = lg a + b lg x

Обозначим Y = lg ; A = lg a; X = lg x

Тогда уравнение примет вид: Y = A + b X - линейное уравнение регрессии.

Рассчитаем его параметры, используя данные таблицы 8:

Таблица 8

№	y	x	Y	X	YX	X2		i	i 2
	26	17	1,4150	1,2304	1,7411	1,5140	24,545	1,45	2,12	5,60
	27	22	1,4314	1,3424	1,9215	1,8021	27,142	-0,14	0,02	0,52
	22	10	1,3424	1,0000	1,3424	1,0000	19,957	2,04	4,17	9,29
	19	7	1,2788	0,8451	1,0807	0,7142	17,365	1,63	2,67	8,60
	21	12	1,3222	1,0792	1,4269	1,1646	21,427	-0,43	0,18	2,04
	26	21	1,4150	1,3222	1,8709	1,7483	26,654	-0,65	0,43	2,51
	20	14	1,3010	1,1461	1,4911	1,3136	22,755	-2,76	7,59	13,78
	15	7	1,1761	0,8451	0,9939	0,7142	17,365	-2,37	5,59	15,77
	30	20	1,4771	1,3010	1,9218	1,6927	26,151	3,85	14,81	12,83
	13	3	1,1139	0,4771	0,5315	0,2276	12,479	0,52	0,27	4,01
Сумма	219	133	13,2729	10,5887	14,3218	11,8913			37,86	74,94
Ср.знач.	21,9	13,3	1,3273	1,0589	1,4322	1,1891

Значение параметров А и b линейной модели определим по формулам:

Значение параметров А и b линейной модели определим по формулам:

Уравнение регрессии имеет вид: Y=0,91 + 0,39X

Перейдем к исходным переменным x и y, выполнив потенцирование данного уравнения:

=10^{0,91 ·} x^0,39

=8,13 · x^0,39 .

График 4

· Показательная

Уравнение показательной кривой имеет вид: = a · b^x

Для построения этой модели необходимо произвести линеаризацию переменных. Для этого произведем логарифмирование обеих частей уравнения:

lg = lg a + x lg b

Обозначим Y = lg ; A = lg a; B = lg b

Тогда уравнение примет вид: Y = A + Bx - линейное уравнение регрессии.

Данные, необходимы для нахождения параметров, приведены в таблице 9.

Таблица 9

№наблюдения	y	x	Y	Yx	x2		i	i 2
1	26	17	1,4150	24,0545	289	24,564	1,436	2,06	5,52
2	27	22	1,4314	31,4900	484	29,600	-2,600	6,76	9,63
3	22	10	1,3424	13,4242	100	18,920	3,080	9,49	14,00
4	19	7	1,2788	8,9513	49	16,917	2,083	4,34	10,96
5	21	12	1,3222	15,8666	144	20,385	0,615	0,38	2,93
6	26	21	1,4150	29,7144	441	28,516	-2,516	6,33	9,68
7	20	14	1,3010	18,2144	196	21,964	-1,964	3,86	9,82
8	15	7	1,1761	8,2326	49	16,917	-1,917	3,68	12,78
9	30	20	1,4771	29,5424	400	27,472	2,528	6,39	8,43
10	13	3	1,1139	3,3418	9	14,573	-1,573	2,47	12,10
Сумма	219	133	13,2729	182,8324	2161			45,75	95,84
Ср.знач.	21,9	13,3	1,3273	18,2832	216,1

Значение параметров А и B линейной модели определим по формулам:

Уравнение регрессии будет иметь вид: Y = 1,115 + 0,016x.

Перейдем к исходным переменным x и y, выполнив потенцирование данного уравнения:

=10^1,115 ·(10^0,016 )^x ;

=13,03·1,038^x .

График 5

9. Для указанных моделей найти: R² – коэффициент детерминации и средние относительные ошибки аппроксимации А.

для всех моделей = 264,9 (см. таблицу 5).

· Степенная модель (см. таблицу 8):

;

;

· Показательная модель (см.таблицу 9):

;

;

· Гиперболическая модель (см. таблицу 7):

.

Таблица 10

Параметры Модели	Коэффициент детерминации R2	Средняя относительная ошибка аппроксимации А
1. Степенная	0,857	7,5
2. Показательная	0,827	9,6
3. Гиперболическая	0,672	12,5

Коэффициент детерминации показывает долю вариации результативного признака, находящегося под воздействием изучаемых факторов. Чем ближе R² к 1, тем выше качество модели.

Чем выше рассеяние эмпирических точек вокруг теоретической линии регрессии, тем меньше средняя ошибка аппроксимации. Ошибка аппроксимации меньше 7% свидетельствует о хорошем качестве модели.

При сравнении гиперболической, степенной и показательной моделей по данным характеристикам мы видим, что наибольшее значение коэффициента детерминации R² и наименьшую ошибку аппроксимации имеет степенная модель, следовательно, ее можно считать лучшей.

Задача 2

Даны две СФМ, которые заданы в виде матриц коэффициентов модели. Необходимо записать системы одновременных уравнений и проверить обе системы на идентифицируемость.

Таблица 1

№ варианта

№ уравнения

Задача 2а

Задача 2б

переменные

переменные

y1

y2

y3

x1

x2

x3

x4

y1

y2

y3

x1

x2

x3

x4

8

1

-1

b12

b13

0

a12

a13

0

-1

0

b13

a11

0

a13

a14

2

0

-1

b23

a21

a22

0

a24

b21

-1

b23

0

a22

0

a24

3

0

b32

-1

a31

a32

a33

0

b31

0

-1

a31

0

a33

a34

Решение

2а) , тогда система уравнений будет иметь вид:

Модель имеет 3 эндогенные (y₁ , y₂ , y₃ ) и 4 экзогенные (x₁ , x₂ , x₃ , x₄ ) переменные. Проверим каждое уравнение на необходимое и достаточное условие идентификации.

1 уравнение: y ₁ = b ₁₂ y ₂ + b ₁₃ y ₃ + a ₁₂ x ₂ + a ₁₃ x ₃ ;

Необходимое условие: D + 1 = H

Эндогенные переменные: y_1, y_2, y₃ ; H=3

Отсутствующие экзогенные переменные: х_1, х₄ ; D=2

2+1=3 - условие необходимости выполнено.

Достаточное условие: В уравнении отсутствуют х_1, х₄ . Построим матрицу из коэффициентов для второго и третьего уравнения:

Таблица 2

Уравнение	переменные
	х1	х4
2	a21	a24
3	a3 1	0

Найдем определитель: , ранг =2, следовательно, условие достаточности выполнено.

1-ое уравнение идентифицируемо.

2 уравнение: y ₂ = b ₂₃ y ₃ + a ₂₁ x ₁ + a ₂₂ x ₂ + a ₂₄ x ₄ ;

Необходимое условие: D + 1 = H

Эндогенные переменные: y_2, y₃ ; H=2

Отсутствующие экзогенные переменные: х₃ ; D=1

1+1=2 - условие необходимости выполнено.

Достаточное условие: В уравнении отсутствуют y_1, х₃ . Построим матрицу из коэффициентов для первого и третьего уравнения:

Таблица 3

Уравнение	переменные
	y1	х 3
1	-1	a13
3	0	a3 3

Найдем определитель: , ранг =2, следовательно, условие достаточности выполнено.

2-ое уравнение идентифицируемо.

3 уравнение: y ₃ = b ₃₂ y ₂ + a ₃₁ x ₁ + a ₃₂ x ₂ + a ₃₃ x ₃ ;

Необходимое условие: D + 1 = H

Эндогенные переменные: y_2, y₃ ; H=2

Отсутствующие экзогенные переменные: х₄ ; D=1

1+1=2 - условие необходимости выполнено.

Достаточное условие: В уравнении отсутствуют y_1, х₄ . Построим матрицу из коэффициентов для первого и второго уравнения:

Таблица 4

Уравнение	переменные
	х1	х4
1	-1	0
2	0	a24

Найдем определитель: , ранг =2, следовательно, условие достаточности выполнено.

3-е уравнение идентифицируемо.

В целом вся система уравнений является идентифицируемой.

Решение

2б) ,

Тогда система уравнений будет иметь вид:

Модель имеет 3 эндогенные (y₁ , y₂ , y₃ ) и 4 экзогенные (x₁ , x₂ , x₃ , x₄ ) переменные. Проверим каждое уравнение на необходимое и достаточное условие идентификации.

1 уравнение: y ₁ = b ₁₃ y ₃ + a ₁₁ x ₁ + a ₁₃ x ₃ + a ₁₄ x ₄ ;

Необходимое условие: D + 1 = H

Эндогенные переменные: y_1, y₃ ; H=2

Отсутствующие экзогенные переменные: х₂ ; D=1

1+1=2 - условие необходимости выполнено.

Достаточное условие: В уравнении отсутствуют y₂ , х₂ . Построим матрицу из коэффициентов для второго и третьего уравнения:

Таблица 5

Уравнение	переменные
	y2	х 2
2	-1	a2 2
3	0	0

Найдем определитель: , следовательно, условие достаточности НЕ выполнено.

1-ое уравнение НЕидентифицируемо.

2 уравнение: y ₂ = b ₁₁ y ₁ + b ₂₃ y ₃ + a ₂₂ x ₂ + a ₂₄ x ₄ ;

Необходимое условие: D + 1 = H

Эндогенные переменные: y₁ , y_2, y₃ ; H=3

Отсутствующие экзогенные переменные: x₁ , х₃ ; D=2

2+1=3 - условие необходимости выполнено.

Достаточное условие: В уравнении отсутствуют x_1, х₃ . Построим матрицу из коэффициентов для первого и третьего уравнения:

Таблица 6

Уравнение	переменные
	x1	х 3
1	a11	a13
3	a31	a3 3

Найдем определитель: , ранг =2, следовательно, условие достаточности выполнено.

2-ое уравнение идентифицируемо.

3 уравнение : y₃ = b₃₁ y₂ +a₃₁ x₁ +a₃₃ x₃ +a₃₄ x₄ ;

Необходимое условие: D + 1 = H

Эндогенные переменные: y_1, y₃ ; H=2

Отсутствующие экзогенные переменные: х₂ ; D=1

1+1=2 - условие необходимости выполнено.

Достаточное условие: В уравнении отсутствуют y_1, х₄ . Построим матрицу из коэффициентов для первого и второго уравнения:

Таблица 7

Уравнение	переменные
	y2	х 2
1	0	0
2	-1	a2 2

Найдем определитель: , следовательно, условие достаточности НЕ выполнено

3-е уравнение НЕидентифицируемо.

В целом вся система уравнений является НЕидентифицируемой, так как первое и третье уравнение – НЕидентифицируемы.

2в) По данным, используя косвенный метод наименьших квадратов, построить структурную форму модели вида: y₁ =a₀₁ +b₁₂ y₂ +a₁₁ x₁ +₁ ;

y₂ =a₀₂ +b₂₁ y₁ +a₂₂ x₂ +₂

Таблица 8

Вариант	n	y1	y2	x1	x2
8	1	51.3	39.4	3	10
	2	112.4	77.9	10	13
	3	67.5	45.2	5	3
	4	51.4	37.7	3	7
	5	99.3	66.1	9	6
	6	57.1	39.6	4	1

Решение

1) Структурную форму модели (СФМ) преобразуем в приведенную форму модели (ПФМ):

Для этого из второго уравнения выражаем y₂ и подставляем его в первое, а из первого выражаем y₁ и подставляем его во второе уравнение. Получим:

y₁ =₁₁ x₁ + ₁₂ x₂ +u_1;

y₂ =₂₁ x₁ + ₂₂ x₂ +u₂ ,

где u₁ и u₁ –случайные ошибки ПФМ.

Здесь

2) В каждом уравнение ПФМ с помощью МНК определим – коэффициент.

Для первого уравнения:

.

Для решения системы уравнений требуются вспомогательные расчеты, которые представлены в таблице 9, 10.

Таблица 9

n	y1	y2	x1	x2
1	51,3	39,4	3	10
2	112,4	77,9	10	13
3	67,5	45,2	5	3
4	51,4	37,7	3	7
5	99,3	66,1	9	6
6	57,1	39,6	4	1
Сумма	439	305,9	34	40
Сред. знач.	73,17	50,98	5,67	6,67

Для упрощения расчетов удобнее работать с отклонениями от средних уровней:

у = у - у_ср ; х = х - х_ср

Таблица 10

n	y1	y2	x1	x2	y1 x1	x1 2	x1 x2	y1 x2	y2 x1	y2 x2	x2 2
1	-21,9	-11,6	-2,7	3,3	58,31	7,11	-8,89	-72,89	30,89	-38,61	11,11
2	39,2	26,9	4,3	6,3	170,0	18,78	27,44	248,48	116,64	170,47	40,11
3	-5,7	-5,8	-0,7	-3,7	3,78	0,44	2,44	20,78	3,86	21,21	13,44
4	-21,8	-13,3	-2,7	0,3	58,04	7,11	-0,89	-7,26	35,42	-4,43	0,11
5	26,1	15,1	3,3	-0,7	87,11	11,11	-2,22	-17,42	50,39	-10,08	0,44
6	-16,1	-11,4	-1,7	-5,7	26,78	2,78	9,44	91,04	18,97	64,51	32,11
	-0,2	-0,1	-0,2	-0,2	404,03	47,33	27,33	262,73	256,17	203,07	97,33

С учетом приведенных данных получим:

404,03 = 47,33₁₁ + 27,33₁₂

262,73 = 27,33₁₁ + 97,33₁₂

₁₂ = 0,36;

С учетом этого первое уравнение ПФМ примет вид:

y ₁ = 8,33х₁ + 0,36х₂ + u ₁

Для второго уравнения определим – коэффициент с помощью МНК:

Для дальнейших расчетов данные берем из таблицы 9, 10. Получим:

256,17=47,33₂₁ +27,33₂₂

203,07=27,33₂₁ +97,33₂₂

₂₂ = 0,68;

Второе уравнение ПФМ примет вид:

у₂ = 5,02х₁ + 0,68х₂ + u ₂

3) Выполним переход от ПФМ к СПФМ. Для этого из последнего уравнения найдем х₂ :

Найденное х₂ подставим в первое уравнение.

,

тогда b ₁₂ =0,53; a ₁₁ =5,67

Из первого уравнения ПФМ найдем х₁

Подставим во второе уравнение ПФМ

,

тогда b ₂₁ =0,6; a ₂₂ =0,46

4) Свободные члены СФМ найдем из уравнения:

а₀₁ = у_1ср - b₁₂ у_2ср - а₁₁ х_1ср = 73,17 – 0,53 50,98 - 5,67 5,67 = 14,00;

а₀₂ = у_2ср - b₂₁ у_1ср - а₂₂ х_2ср = 50,98 - 0,6 73,17 - 0,46 6,67 = 4,00.

5) Записываем СФМ в окончательном виде:

y₁ =a₀₁ + b₁₂ y₂ + a₁₁ x₁ + ₁ ;

y₂ =a₀₂ + b₂₁ y₁ + a₂₂ x₂ + ₂ .

y₁ =14 + 0,53y₂ + 5,67x₁ + ₁ ;

y₂ = 4 + 0,6y₁ + 0,46x₂ + _2.

Скачать архив с текстом документа